论文部分内容阅读
内陆流域水质监测技术是有效开展内陆流域水环境综合管理与水污染防治的重要基础,我国目前的水资源污染情况愈演愈烈,许多江河、湖泊的水质指标下降,水体富营养化越来越严重。传统的水质监测方法在时间范围、空间范围和人力方面受到不同程度限制,此时,随着遥感技术快速发展,从低空间分辨率传感器到中高空间分辨率发展,多光谱传感器到高光谱传感器的发展,实现了从对水体边界定性识别到对水质指标监测定量反演的发展。为了解决现有监测技术的不足,提高监测效率、扩大监测范围、降低人力成本,现采用机器学习算法对松花江流域4个水质指标参数浓度反演,包括氨氮、高锰酸盐指数、化学需氧量、总磷。同时对松花江流域哈尔滨段的水质时空分布进行初步分析。本文研究以松花江流域哈尔滨段水域作为研究区,基于实测高光谱数据和遥感卫星哨兵-2A、GF-1/WFV1和Landsat8/OLI的多源遥感数据,对4个水质指标参数定量反演研究,首先对2019年7月9日获取的水体实测高光谱反射率数据进行归一化处理、一阶微分、波段比值处理,然后计算光谱反射率与4个指标水质参数的相关性,选择与水质指标敏感高的波段建立传统回归模型。其次将2019年7月9日、8月7日和9月25日三个月份获取的高锰酸盐指数、总磷、氨氮和化学需氧量指标实测数据与从准同步月份的哨兵-2A、GF-1/WFV1、Landsat8/OLI的卫星数据中提取的波段光谱反射率结果做相关性分析,最终利用水质敏感波段与水质浓度数据构建传统回归模型,通过已有采样点数据对回归分析模型进行验证,得出模型精度无法满足实际应用需求。为了提高模型对水质预测精度,本文引用机器学习算法PSO-SVR,采用9月25日水质采样数据和同步Landsat8/OLI遥感数据构建水质反演模型,最后得到反演结果,同时利用指标R~2、RMSE和MAPE作为精度评价标准,将PSO-SVR模型反演结果与GA-SVR模型、传统线性回归模型计算得到结果精度进行比较,利用PSO-SVR模型对高锰酸盐指数最佳评价指标均方根误差(RMSE)为0.3419,拟合度为0.9259,平均绝对百分误差为0.0716,利用GA-SVR模型对高锰酸盐指数评价指标均方根误差(RMSE)为0.4182,拟合度为0.9093,平均绝对百分误差为0.0856,利用传统回归模型对高锰酸盐指数最佳评价指标均方根误差(RMSE)为0.48,拟合度为0.8802,平均绝对百分误差为0.0385。利用PSO-SVR模型对化学需氧量的最佳评价指标均方根误差(RMSE)为0.46617,拟合度为0.7325,平均绝对百分误差为0.23,利用GA-SVR模型对化学需氧量评价指标均方根误差(RMSE)为4.2032,拟合度为0.7118;平均绝对百分误差为0.2772,利用传统回归模型对化学需氧量最佳评价指标均方根误差(RMSE)3.9490,拟合度为,0.7292,平均绝对百分误差为0.25。利用PSO-SVR对氨氮的最佳评价指标均方根误差(RMSE)为0.1431,拟合度为0.7118,平均绝对百分误差为0.1669,利用GA-SVR模型对氨氮评价最佳指标均方根误差(RMSE)为0.1590,拟合度为0.67587;平均绝对百分误差为0.1558L,利用传统回归模型对氨氮最佳评价指标均方根误差(RMSE)0.1744L,拟合度为0.6210,平均绝对百分误差为1.2368。利用PSO-SVR对总磷的最佳评价指标均方根误差(RMSE)为0.01,拟合度为0.8885,平均绝对百分误差为0.11,利用GA-SVR模型对总磷最佳评价指标均方根误差(RMSE)为0.01,拟合度为0.88884;平均绝对百分误差为0.11,利用传统回归模型对总磷最佳评价指标均方根误差(RMSE)0.0125,拟合度为0.8611,平均绝对百分误差为0.0956。实验结果表明:PSO-SVR模型算法在对4个水质指标浓度反演预测精度的3个评价指标值精度均高于GA-SVR和传统统计回归模型。